近年来，随着深度学习在机器视觉领域的蓬勃发展，一些传统的视觉难题如物体识别、物体光流计算等都有了新的解决思路。然而，这些细分领域的方法往往不能独自应用于生活中的复杂场景，而将这些方法综合利用则能更好地解决一些综合性的问题。针对机器视觉的动态特征领域，如果同时实现对多目标的速度估算以及轨迹跟踪，则能分析出多个目标当前以及历史的运动状态，这些信息能在如辅助交通事故分析、运动场球员战术执行分析等方面发挥作用。当前测速领域内尚无通用的基于视觉的多目标速度估算方法，而多目标跟踪算法则于近几年才得到较大发展，在机器视觉领域正处于探索阶段。基于上述背景，本文旨在融合两种卷积神经网络：物体检测网络与光流计算网络，以同时实现对多目标的速度估算以及轨迹跟踪。　　针对多目标跟踪问题，本文设计了一种基于物体检测与光流计算的多目标跟踪算法（ODFMT），算法利用光流实现过滤候选框，利用光流与卡尔曼滤波器实现轨迹预测，利用光流轮廓图以及基本图像特征实现目标轨迹匹配。实验结果表明，该算法相较于当前主流的多目标跟踪算法在速度性能以及预测轨迹能力上有一定优势。　　针对速度估计问题，本文设计了一种基于物体检测与光流计算的速度估计算法（ODFSE），其利用物体位置信息以及聚类方法计算出光流图中各个目标的光流值，结合光学理论、先验知识以及摄像头定标技术实现光流到物理速度的转换。实验结果表明，该方法以接近实时速度实现对目标的物理速度估算，在摄像头平移的条件下仍然适用。　　基于上述两种算法，本文设计并实现了一个多目标速度估计及轨迹跟踪系统。该系统以普通单摄像头采集的图像为信息来源，对镜头中的多个目标同时进行轨迹追踪与速度估计。